-
公开(公告)号：CN111784653B
公开(公告)日：2023-08-01
申请号：CN202010594321.4
申请日：2020-06-28
Applicant: 西安电子科技大学 , 首都医科大学宣武医院
IPC: G06T7/00 , G06T7/12 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法，主要解决现有技术在MRI图像对比度低和样本不均衡情况下对胰腺图像分割困难的问题。本发明的技术方案为：(1)生成训练集和标注集；(2)预训练U‑net网络；(3)构建多尺度网络；(4)训练形状约束网络；(5)构建形状约束的多尺度网络；(6)训练形状约束的多尺度网络；(7)对MRI图像中胰腺区域进行分割。本发明方法利用了胰腺图像的形状信息，并结合边界和区域信息进行图像分割，可以较好的定位MRI图像中胰腺区域，具有分割精度高的优点，可用于对人体腹部MRI图像中胰腺组织轮廓进行自动定位分割。
-
公开(公告)号：CN111784653A
公开(公告)日：2020-10-16
申请号：CN202010594321.4
申请日：2020-06-28
Applicant: 西安电子科技大学 , 首都医科大学宣武医院
Abstract: 本发明公开了一种基于形状约束的多尺度网络MRI胰腺轮廓定位方法，主要解决现有技术在MRI图像对比度低和样本不均衡情况下对胰腺图像分割困难的问题。本发明的技术方案为：(1)生成训练集和标注集；(2)预训练U-net网络；(3)构建多尺度网络；(4)训练形状约束网络；(5)构建形状约束的多尺度网络；(6)训练形状约束的多尺度网络；(7)对MRI图像中胰腺区域进行分割。本发明方法利用了胰腺图像的形状信息，并结合边界和区域信息进行图像分割，可以较好的定位MRI图像中胰腺区域，具有分割精度高的优点，可用于对人体腹部MRI图像中胰腺组织轮廓进行自动定位分割。
-
公开(公告)号：CN108961377A
公开(公告)日：2018-12-07
申请号：CN201810684384.1
申请日：2018-06-28
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种用于机载增强合成视景系统虚拟安全面的设计方法，用于区分视野中的安全和危险区域。本发明中的安全面由多个三角面拼接而成，每个三角面的起伏程度和颜色都根据场景独立计算，这些三角面会随着视点一起运动并变化。本发明中的安全面能反映出场景的威胁程度和范围，有效提高飞行员的场景认知能力。和传统单一平面相比，本安全面可以让危险区域和安全区域的边界更加明显，而且能反映出场景的起伏变化。
-
公开(公告)号：CN114925587B
公开(公告)日：2025-03-18
申请号：CN202210493522.4
申请日：2022-05-07
Applicant: 西安电子科技大学
Abstract: 一种基于深度学习的FDSOI器件单粒子效应预测方法，通过TCAD仿真软件获取多组单粒子入射FDSOI器件时的影响参数及对应的单粒子效应表征参数，作为样本集；单粒子入射FDSOI器件时的影响参数包含线性传输能值、粒子入射位置、粒子入射角度和漏极偏置电压，单粒子效应表征参数包括漏极瞬态电流脉冲、漏极瞬态电流峰值和总收集电荷；将样本集划分训练集、交叉验证集和测试集，构建深度学习网络预测模型并进行训练验证，满足要求的模型即可用于不同重离子入射条件下的单粒子效应表征参数。本发明解决了FDSOI器件单粒子效应的预测在传统研究过程中存在计算量大、耗时长且不收敛等问题。
-
公开(公告)号：CN114662227A
公开(公告)日：2022-06-24
申请号：CN202210188696.X
申请日：2022-02-28
Applicant: 西安电子科技大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明涉及微电子器件技术与人工智能技术领域领域，具体涉及基于神经网络的F i nFET器件性能预测及结构优化方法。本发明使用神经网络对F i nFET器件结构和电学性能之间的关系进行学习，从而可以根据F i nFET器件结构快速预测出F i nFET器件的电学性能，也可根据F i nFET器件的电学性能获得优化的F i nFET器件结构，很好地解决了传统的数值模拟方法的开发周期长、效率低、成本高的问题，满足了F i nFET器件快速发展的需求。
-
Patent Agency Ranking
公开(公告)号：CN114627885A
公开(公告)日：2022-06-14
申请号：CN202210182234.7
申请日：2022-02-25
Applicant: 西安电子科技大学
IPC: G10L17/26 , G10L25/51 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G10L17/02 , G10L17/04 , G10L17/18 , G10L25/18
Abstract: 本发明涉及自然语言处理领域，具体涉及一种基于ASRT算法的小样本数据集乐器识别方法。本发明在模型结构上借鉴了图像识别中效果最好的网络配置VGG，有着很强的表达能力，可以看到非常长的历史和未来信息，相比RNN在鲁棒性上更出色；在输出端可以和CTC方案可以完美结合，以实现整个模型的端到端训练，将声音波形信号直接转录为乐器的波形最终对乐器的波形进行判断输出预测的乐器类型。
-
公开(公告)号：CN113536661A
公开(公告)日：2021-10-22
申请号：CN202110658454.8
申请日：2021-06-15
Applicant: 西安电子科技大学
Abstract: 本发明属于微电子器件技术与人工智能技术领域，具体公开了一种基于神经网络的TFET器件结构优化和性能预测方法，本发明以TFET的物理机制为基础选取特征变量：栅氧化层厚度、沟道掺杂浓度、源漏掺杂浓度、栅长，通过构建神经网络，与TFET的电学特性之间建立关联，作为正向设计。将正向设计中的网络输入数据作为输出数据，输出数据作为输入数据，进行相应的反向设计，本发明使用神经网络建立隧穿场效应晶体管的结构与其电性能之间的关系，能够加速隧穿场效应晶体管的结构优化和性能预测的研究。
-
公开(公告)号：CN114819120B
公开(公告)日：2024-07-12
申请号：CN202210180230.5
申请日：2022-02-25
Applicant: 西安电子科技大学
Abstract: 本发明涉及人工智能和FPGA设计技术领域，具体涉及一种基于PYNQ平台的神经网络通用加速处理方法。本发明在原有PYNQ平台的基础上加入神经网络通用加速处理，采取多输入多输出通道的并行方法，并针对VGG‑16、tiny‑YOLOv3网络结构对其进行了优化，在实现较小的资源消耗与较低功耗的基础上，提高了神经网络的数据处理速度、性能、通用性，提升了加速性能与加速效率。
-
公开(公告)号：CN113610807B
公开(公告)日：2024-02-09
申请号：CN202110907227.4
申请日：2021-08-09
Applicant: 西安电子科技大学
IPC: G06T7/00 , G06T7/11 , G06F18/2415 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种基于弱监督多任务学习的新冠肺炎病灶分割方法，主要解决现有方法对不同临床等级患者的影像差异大、分割结果差的问题。其方案是：获取新冠肺炎患者的CT影像数据进行重采样和直方图匹配，划分出训练集、验证集、测试集；设计多尺度卷积模块HMS，以替代现有3D ResUNet分割网络最后两层编码层中的卷积层，并在该网络中增加分类网络，构建基于弱监督多任务学习的新冠肺炎病灶分割网络；用训练集训练该网络并用验证集选择效果最好的训练后模型；将测试集输入到最终训练后模型得到分割结果。本发明能使网络学习到更鲁棒的病灶特征，有效提升不同临床等级患者的病灶分割(56)对比文件卢云飞.基于强化学习多尺度和多任务的病灶分割与few-shot自适应多器官分割研究.中国优秀硕士学位论文全文数据库 基础科学辑.2023,全文.Hongying Liu，Shuiping Gou .FastClassification for Large Polarimetric SARData Based on Refined Spatial-AnchorGraph.IEEE GEOSCIENCE AND REMOTE SENSINGLETTERS.2017,第14卷(第9期),全文.Shuiping Gou, and Shuyuan Yang.Shapeconstrained fully convolutional DenseNetwith adversarial training for multiorgansegmentation on head and neck CT and low-field MR images.Medical Physics.2019,全文.
-
公开(公告)号：CN116306402A
公开(公告)日：2023-06-23
申请号：CN202211582911.0
申请日：2022-12-08
Applicant: 西安电子科技大学
IPC: G06F30/3308 , G06F30/10 , G06N3/0464 , G06N3/08
Abstract: 一种基于K折交叉验证集成学习模型的GAAFET电容特性预测方法，通过TCAD仿真软件建立GAAFET器件模型；通过改变设计参数，得到多条不同设计条件下的电容‑电压特性曲线，以相同的电压间隔，从每条曲线中取出N个数据点作为训练集成学习模型的数据集，按比例划分成训练集、交叉验证集和测试集，并通过K折交叉将训练集划分为K个子集；集成学习模型的输入为一组设计参数，输出为GAAFET器件电容特性；利用数据集训练集成学习模型，满足要求的模型用于不同参数以及不同工作条件下的GAAFET器件电容特性预测。本发明能够快速准确地预测GAAFET特性，解决传统方法所存在的耗时长、效率低、受人工因素等缺点。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.073 seconds)
